ผู้นำทางความคิด

การทำนายปี 2026: จากการทำให้ LLM เป็นสินค้าโภคภัณฑ์ไปสู่ยุคความจำของตัวแทน

Nikolaos Vasiloglou
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญหน่วยความจำแบบเอเจนต์จะเปลี่ยน AI…
ดูเพิ่มเติม
  • หน่วยความจำแบบเอเจนต์จะเปลี่ยน AI จากเครื่องมือที่ตอบสนองเป็นระบบการตัดสินใจที่พัฒนาตัวเองได้
  • การรวมโมเดลจะเปลี่ยนจุดสนใจจากโมเดลขนาดใหญ่แบบรวมศูนย์ไปเป็นระบบเฉพาะทางที่ประกอบเข้าด้วยกันได้
  • AI สำหรับวิทยาศาสตร์จะสร้างคุณค่าทางเศรษฐกิจผ่านการเร่งการค้นพบยาและวัสดุใหม่

ณ ต้นปี 2025 ฉันทำนายว่าโมเดลภาษาขนาดใหญ่จะกลายเป็นสินค้าโภคภัณฑ์

เมื่อราคาของโทเค็นลดลงและองค์กรต่างๆ ย้ายจากการทดลองไปสู่การผลิต การทำนายนั้นก็กลายเป็นความจริงอย่างรวดเร็ว และเปลี่ยนแปลงวิธีการสร้างและจัดการระบบ AI ที่จะเข้าสู่ปี 2026

สิ่งที่ปี 2025 ได้ทำถูกต้อง

แนวโน้มหลายอย่างที่ดูไม่แน่นอนเมื่อปีที่แล้วได้กลายเป็นความจริงแล้ว

ประการแรก โมเดลภาษาขนาดใหญ่กลายเป็นโครงสร้างพื้นฐานของ AI ค่าใช้จ่ายที่ลดลงและกระบวนการอนุมานที่ดีขึ้นได้ผลักดันให้หลายงานเข้าสู่การผลิต โดยเฉพาะอย่างยิ่งสำหรับงานที่ง่ายๆ เช่น การสกัดเอนทิตี การจำแนกประเภท และการสรุปผล คำถามของธุรกิจไม่ได้เป็นอีกต่อไปว่า ‘ควรใช้โมเดลใด’ แต่เป็น ‘จะออกแบบระบบให้รับมือกับการเปลี่ยนโมเดลอยู่ตลอดได้อย่างไร’

ประการที่สอง ตัวแทนได้พิสูจน์แล้วว่าสามารถบริโภคข้อมูลข้อความขององค์กรได้มาก ผู้นำยังคงเผชิญกับความวุ่นวายที่เกิดจากเอกสารที่เกี่ยวข้องกับการปฏิบัติตามกฎระเบียบเมื่อต้องการข้อมูลเพื่อประกอบการตัดสินใจ ข้อมูลการสื่อสารที่เคยถูกละเลยในอีเมล คำร้องขอรับบริการ และบันทึกแชทตอนนี้ถูกใช้โดยตัวแทนเพื่อให้ข้อมูลเชิงลึกและคำแนะนำ สิ่งนี้คล้ายกับคลื่นบิ๊กดาต้าระลอกแรกในช่วงต้นทศวรรษ 2010 เมื่อพื้นที่จัดเก็บราคาย่อมเยาและเครื่องมือใหม่เปิดทางให้ใช้ชุดข้อมูลที่เคยถูกทิ้งไว้

ประการที่สาม ความรู้เชิงสัญลักษณ์ได้กลับมาอีกครั้งอย่างเงียบ ๆ กราฟความรู้ซึ่งเคยถูกมองว่าเป็นสิ่งที่มีค่าใช้จ่ายสูงและเปราะบางได้พบชีวิตใหม่ผ่าน GraphRAG และการดึงข้อมูลโดยตัวแทน กราฟที่ไม่สมบูรณ์ได้พิสูจน์แล้วว่ามีประโยชน์ การปรับปรุงซ้ำมีความสำคัญมากกว่าความสมบูรณ์แบบตั้งแต่แรก นี่ไม่ใช่แค่การเปลี่ยนชื่อ แต่เป็นการเปลี่ยนแปลงจริงของวิธีที่ระบบเชิงสัญลักษณ์และระบบเชิงสถิติทำงานร่วมกัน

สุดท้าย การ ปรับแต่ง ได้กลับมามีความสำคัญอีกครั้ง เมื่อการเรียนรู้ในบริบทเผชิญกับข้อจำกัดสำหรับงานที่ไวต่อความหน่วงและต้องใช้การให้เหตุผลอย่างมาก โมเดลที่มีขนาดเล็กและเชี่ยวชาญได้กลายเป็นที่น่าสนใจอีกครั้ง อุตสาหกรรมได้ค้นพบความจริงเก่าๆ อีกครั้งว่าปัญหาไม่ใช่ทุกปัญหา ต้องการโมเดลทั่วไปขนาดใหญ่

แม้ว่าแนวโน้มเหล่านี้จะกลายเป็นสิ่งจำเป็นแล้ว แต่จุดเปลี่ยนจริงๆ จะเกิดขึ้นในปี 2026

ความจำของตัวแทนกลายเป็นพื้นฐาน

ในปี 2026 ตัวแทนจะหยุดเป็นเครื่องมือที่ไม่มีสถานะและเริ่มแสดงพฤติกรรมเหมือนระบบที่มีความทรงจำ

นี่คือที่ที่แนวคิดเรื่อง ความจำของตัวแทน เกิดขึ้น แม้ว่าจะมีความน่าดึงดูดที่จะอธิบายสิ่งนี้ว่าเป็นการ เปลี่ยนชื่อเรียก ของกราฟความรู้ แต่การอธิบายดังกล่าวพลาดประเด็น ความจำของตัวแทนคือการวิวัฒนาการ มันรวมทั้งการแทนความรู้เชิงสัญลักษณ์ที่มีโครงสร้างเข้ากับความสามารถของตัวแทนในการให้เหตุผล อัปเดต และดำเนินการตลอดเวลา

ความทรงจำคือสิ่งที่เปลี่ยนตัวแทนจากผู้ตอบสนองต่อสิ่งที่เกิดขึ้นให้กลายเป็นระบบการตัดสินใจ โดยไม่มีมัน ตัวแทนจะทำซ้ำงาน แต่งบริบทขึ้นมา และล้มเหลวในการเรียนรู้จากการกระทำในอดีต ด้วยมัน องค์กรสามารถสร้างระบบ AI ที่สะสมความรู้เชิงสถาบันแทนที่จะทิ้งมันทุกครั้งที่มีการส่งคำถาม

การรวมโมเดลแทนที่การบูชาโมเดล

หนึ่งในความพัฒนาที่ถูกพูดถึงน้อยที่สุดคือการเพิ่มขึ้นของการรวมโมเดลและการฝึกอบรมแบบกระจาย แทนที่จะฝึกอบรมโมเดลขนาดใหญ่จากจุดเริ่มต้นจนจุดสิ้นสุด นักวิจัยได้เริ่มแยกปัญหาออกเป็นหลายส่วน โมเดลที่มีขนาดเล็กและเชี่ยวชาญได้รับการฝึกอบรมแยกกันแล้วจึงรวมเข้าด้วยกัน

แนวทางนี้ปรากฏขึ้นครั้งแรกในการแข่งขันวิจัยและโจทย์ท้าทายเชิงทดลอง ในปี 2025 มันเติบโตเป็นบทสอนแบบเต็มรูปแบบและกระบวนการผลิตที่พร้อมใช้งาน ตัวอย่างสาธารณะ รวมถึงการทดลองฝึกอบรมแบบกระจายจาก Cohere ส่งสัญญาณถึงการเปลี่ยนแปลงที่กว้างขึ้น

ในปี 2026 เราจะเห็นตลาดจริงสำหรับโมเดลภาษาที่มีขนาดเล็กที่องค์กรสามารถเป็นเจ้าของ สร้าง และปรับให้เหมาะสมได้ จุดศูนย์กลางเปลี่ยนจาก “ใครมีโมเดลที่ใหญ่ที่สุด” ไปเป็น “ใครสามารถสร้างระบบที่มีประสิทธิภาพมากที่สุด”

AI สำหรับวิทยาศาสตร์ออกจากห้องปฏิบัติการ

AI สำหรับวิทยาศาสตร์ไม่ใช่แค่ความสนใจในการวิจัยเท่านั้น ในปี 2025 การประชุมเชิงปฏิบัติการด้านฟิสิกส์ ชีววิทยา และวัสดุศาสตร์ที่การประชุมใหญ่ๆ มีผู้เข้าร่วมที่ไม่คาดคิด มูลนิธิที่มั่งคั่งและผู้บริจาคเอกชนเริ่มให้ทุนสนับสนุนการพยายามใช้ AI ในทางวิทยาศาสตร์อย่างมาก สตาร์ทอัพเกิดขึ้นด้วยการมุ่งเน้นชัดเจนในการค้นพบยา การออกแบบวัสดุ และการจำลอง

ในปี 2026 การสร้างมูลค่าจะเริ่มปรากฏขึ้น หาก AI เร่งการค้นพบยาต้านแบคทีเรียใหม่ การรักษามะเร็ง หรือวัสดุใหม่ๆ ผลตอบแทนจะสูงกว่าต้นทุนการคำนวณ ทำให้ AI สำหรับวิทยาศาสตร์เป็นหนึ่งในแอปพลิเคชันที่มีเหตุผลทางเศรษฐกิจมากที่สุดในสนาม

อย่างไรก็ตาม AI จะไม่สร้างกฎฟิสิกส์ใหม่ ๆ ขึ้นมาอย่างมหัศจรรย์ AlphaFold ประสบความสำเร็จเพราะว่าปัญหาได้รับการกำหนดไว้อย่างชัดเจน ฟิสิกส์ยังคงไม่มีโมเมนต์ของฮิลเบิร์ต ซึ่งหมายถึงนิยามที่ชัดเจนและเห็นพ้องร่วมกันของปัญหาหลักที่ต้องแก้ไข การกำหนดปัญหาเหล่านี้ยังคงเป็นงานของมนุษย์

หลักฐานการสร้างเนื้อหามีความสำคัญมากขึ้น

หนึ่งในข้อค้นพบที่น่าประหลาดใจที่สุดของปีที่แล้วมาจากนักสังคมวิทยา ไม่ใช่จากนักเทคโนโลยี

ความเสี่ยงที่ใหญ่ที่สุดของ AI ที่สร้างเนื้อหาไม่ใช่การสูญเสียงาน แต่เป็นการกัดเซาะของหลักฐาน หลักฐานของการเขียนโดยผู้แต่ง หลักฐานของการทำงาน หลักฐานของความแท้จริง และหลักฐานของความเป็นมนุษย์

เมื่อเนื้อหาที่สร้างโดย AI อัดแน่นทุกสื่อ สังคมจะเรียกร้องกลไกใหม่ๆ เพื่อยืนยันว่าใครสร้างอะไร นี่คือที่ที่แนวคิดจาก วิทยาการเข้ารหัสลับ และบล็อกเชนกลับมาสู่การอภิปรายอีกครั้ง ไม่ใช่ในฐานะสินทรัพย์เชิงสเปคูเลตีฟ แต่เป็นโครงสร้างพื้นฐานสำหรับการระบุผู้สร้างและการตรวจสอบ

AI อาจกลายเป็นตัวเร่งที่ทำให้ระบบเหล่านี้มีจุดประสงค์ที่แท้จริง

ตัวแทนเรียนรู้ผ่านเครื่องมือ ไม่ใช่ข้อความ

โมเดลภาษาขนาดใหญ่ที่มีเครื่องมือต่างๆ นั้นแตกต่างจากแชทบอทอย่างพื้นฐาน เครื่องมือที่สำคัญที่สุดสำหรับตัวแทนในปัจจุบันคือเทอร์มินัล

มาตรฐานการประเมินเช่น Terminal Bench ทำให้การเปลี่ยนแปลงนี้เป็นรูปธรรม ตัวแทนสามารถโต้ตอบกับบรรทัดคำสั่ง API และสภาพแวดล้อมได้เรียนรู้โดยการทำ ห้องปฏิบัติการ AI ชั้นนำได้ใช้จ่ายหลายร้อยล้านดอลลาร์ในการซื้อข้อมูลงานที่มีทักษะสูงเพื่อฝึกอบรมตัวแทนเหล่านี้

ชุดข้อมูลเหล่านี้เป็นส่วนตัวและกระจัดกระจาย ซึ่งมีผลข้างเคียงที่สำคัญประการหนึ่ง คือ โมเดลจะหยุดคิดเหมือนกัน เมื่อข้อมูลฝึกอบรมแตกต่างกัน โมเดลแนวหน้าจะพัฒนาทักษะและรูปแบบการให้เหตุผลที่แตกต่างกัน ความเป็นเนื้อเดียวกันคือสิ่งที่เกิดขึ้นชั่วคราวเนื่องจากข้อมูลที่ใช้ร่วมกัน ความหลากหลายกำลังจะกลับมา

เมื่อผู้ช่วยเขียนโค้ดอย่าง Claude Code และ OpenAI Codex ดีขึ้นทุกวัน เราได้กลั่นกรองความรู้จากพวกมันในรูปแบบของซอฟต์แวร์ ในผลที่ตามมา สิ่งนี้เริ่มดูเหมือนกับสิ่งที่บางคนเรียกว่า “ซอฟต์แวร์ดิสทิลเลอรี่” ที่โมเดลขนาดใหญ่ช่วยออกแบบระบบที่ถูกดิสทิลลงเป็นซอฟต์แวร์ที่ราคาถูกกว่าและเจาะจงกับงาน ซึ่งมีต้นทุนการคำนวณเมื่อทำงานบน CPU ต่ำกว่าการให้โมเดลแนวหน้าทำงานนั้นโดยตรง หากการสร้างโทเค็นกลายเป็นเรื่องที่ถูกกว่ามากและผู้ช่วยเขียนโค้ดมีความสามารถมากขึ้น ซอฟต์แวร์เองอาจกลายเป็นสิ่งหนึ่งที่เป็นของอดีต เนื่องจากมนุษย์อาจต้องมีส่วนร่วมในวงจรการทำงาน แนวคิดนี้ฟังดูไม่น่าเป็นไปได้ในวันนี้ แต่ในทศวรรษ 1960 แนวคิดที่ว่าสักวันทรานซิสเตอร์หลายพันล้านตัวจะอยู่ในโทรศัพท์มือถือเครื่องเดียวได้ก็คงฟังดูไม่น่าเป็นไปได้เช่นกัน

มองไปข้างหน้า

หากปี 2025 เป็นปีที่โมเดลภาษาขนาดใหญ่มีราคาถูกลง ปี 2026 จะเป็นปีที่ความฉลาดกลายเป็นระบบที่มีโครงสร้าง

ผู้ชนะจะไม่ใช่ผู้ที่มีโมเดลที่ใหญ่ที่สุด แต่ผู้ที่สร้างระบบที่จดจำ ให้เหตุผล ระบุ และพัฒนา AI ไม่ใช่เรื่องของความสามารถดิบอีกต่อไป แต่เป็นเรื่องของสถาปัตยกรรม

และนั่นคือที่ที่ความก้าวหน้าที่แท้จริงจะเกิดขึ้น

นิโคเลาส์ วาซิโลกลู เป็น รองประธานฝ่ายวิจัยแมชชีนเลิร์นนิง ที่ RelationalAI เขาใช้เวลาทั้งอาชีพในการสร้างซอฟต์แวร์ ML และนำโครงการวิทยาศาสตร์ข้อมูลใน การค้าปลีก การโฆษณาออนไลน์ และความปลอดภัย เขาเป็นสมาชิกของชุมชน ICLR/ICML/NeurIPS/UAI/MLconf/KGC/IEEE S&P โดยเคยเป็นนักเขียน ผู้ตรวจสอบ และผู้จัดงานในเวิร์กช็อปและงานประชุมหลัก นิโคเลาส์ กำลังนำการวิจัยและความคิดริเริ่มเชิงกลยุทธ์ที่จุดตัดของ โมเดลภาษาขนาดใหญ่และกราฟความรู้ สำหรับ RelationalAI